「パラメータは13倍、作業量は2.5倍」と記された生成タイトルカード。サブタイトルではMing-3.0-audio-flashとMing-3.0-audio-tinyを、同一設計を2つのスケールで示したものとして対置し、両者は2026年9月3日に4分差でアップロードされた。番号付きの3行には「Flash: 合計126B、アクティブ6.5B、重み259 GB、4〜8 GPU」「Tiny: 合計9.3B、アクティブ2.7B、重み20.7 GB、1〜2 GPU」「共通: MITライセンス、131,072トークンのウィンドウ、同一のトークナイザー」と記されている。フッターには「パラメータ、サイズ、サービングの数値はinclusionAIのリポジトリによる(2026年11月18日)。」とある。
Guides & Insights

Ming-3.0-audio-flash 対 Ming-3.0-audio-tiny:パラメータ数は13倍、作業量は2.5倍

著者

Gideon Frost

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

Ming-3.0-audio-flashとMing-3.0-audio-tinyは、2026年9月3日に4分差でHugging Faceに登場した——tinyは11:45 UTC、flashは11:49——以来、この2つは互いに取り違えられてきた。今朝、その混同は文字通り現実になった。flashリポジトリは08:26 UTCに「Flash BBAスコアを99.8%に更新し、総合#1のリーダーボード結果を追加」というタイトルのコミットで編集され、tinyリポジトリは2分8秒後に「共有Flash BBAスコアを99.8%に更新…」というタイトルのコミットで編集された。後者は同じ文言と同一のリーダーボードPNGを伴っていた。tinyモデルには独自のArtificial Analysisエントリがない。したがって、Ming-3.0-audio-tinyに帰属する99.8%を見たことがあるなら、その数値はより大きな兄弟モデルのものであり、コピー&ペーストで伝わったものだ。

まずこれを言っておく価値がある。それが他のすべての前提を決めるからだ。これらは二つの競合製品ではない。一つの設計を二つの規模で実現したもので、トークナイザー、コンテキストウィンドウ、ライセンス、サービングのコードパスを共有し、config.json内のほんのいくつかの整数だけが異なる。興味深い問いは、どちらが勝つかではない — 公開されているあらゆる品質指標では flash が勝つ — どの整数に実際に対価を払っているのか、そして小さい方が本当に優れているのは何かだ。

2つのリポジトリが実際に共有しているもの

まず同一の部分から見ていきましょう。13.5×のパラメータ差から予想されるよりも、そうした部分のほうが多いのですから。

• アーキテクチャ名 — どちらも宣言しているのはmodel_type: bailing_moe_v3_audio、つまり同じカスタムTransformersコードパスです。

• トークナイザー — どちらも157,184トークンの語彙を使用し、音声プレースホルダーはインデックス157,168にあります。一方向けに書かれたプロンプトは、もう一方でも読み込まれます。

• コンテキストウィンドウ — 両方とも宣言しています max_position_embeddings: 131072 で、RoPE シータは同じ 6,000,000 で、スケーリングは適用されていません。

• ルーティング幅 — 両方ともトークンあたり8エキスパートを活性化します。これが、このペアをそもそも比較可能にする数値です。

• 入力と出力 — 入力は音声とテキスト指示。出力はテキスト、またはオプションのTalkerによる合成音声付きテキスト。

• ライセンス — 両方ともMITで、同一の法的免責事項ファイルを同梱。

コード — 小型モデルのREADMEには、git cloneでFlashモデルのGitHubリポジトリを複製するよう記載されています。実装は1つ、サンプルスクリプトは1セット、音声ガイドは1つだけです。

コードが共有されているため、2つのチェックポイントはAPIレベルでそのまま差し替え可能です。一方から他方への切り替えはモデル名の変更にすぎず、まさにその性質によって2層パイプラインを低コストで構築できる一方、誤ったモデルのスコアを公開してしまうのも容易になります。

A screenshot of the inclusionAI Ming-3.0-audio-flash model card on Hugging Face, showing the audio-to-audio tag, MIT licence, a reported model size of 128B params and 2,572 downloads in the last month, plus a model summary table that gives the developer as inclusionAI, the model type as a native audio-language mixture-of-experts, and 126B total parameters with 6.5B activated per inference step.

共有されていない4つの整数

異なるものはすべてtext_configにあり、重要な数は 4 つだけです。

• レイヤー — flash 42、tiny 24。

• エキスパート — flash 512、tiny 128。

• エキスパート幅 — flash moe_intermediate_size 768、tiny 512。

• 隠れサイズ — flash 2,560、tiny 1,536。

それらを掛け合わせると、カードに記載されている主要な数値になります。flash は総パラメータ数 126B、アクティブ 6.5B、tiny は総数 9.3B、アクティブ 2.7B です。ディスク上では、その差は bfloat16 の重み 259.33 GB(25 シャード)対 20.7 GB(2 シャード)です。

絶対値ではなく比率を見てください。ここがスペックシートでは埋もれがちな部分です。総パラメータは13.5倍違います。ディスク上の重みは12.5倍違います。しかしアクティブパラメータの差はわずか2.4倍です。flashモデルははるかに大きなエキスパートのライブラリを保持し、同程度の数のエキスパートを参照します。tinyモデルはライブラリが小さく、参照する数は同程度です。つまりflashはtinyよりトークンあたり13倍高価なのではなく、2.5倍程度で、13倍大きなメモリフットプリントの大半がほぼアイドル状態で存在しています。これが典型的なスパースMoEのトレードオフであり、flashを選ぶ本当のコストはスループットではなく容量だということです。より大きなライブラリを買っているのであり、あるクリップがそこから借りるかどうかに関係なく、ライブラリ全体を常駐させなければなりません。

A generated two-column scoreboard titled 'Ming-3.0-audio-flash vs Ming-3.0-audio-tiny - the scoreboard'. The flash column reads 126B total parameters, 6.5B active per step, 259 GB of weights, long-audio chain 12.31, URO-Bench-Pro 81.92, serving profile 4 x 80GB H800. The tiny column reads 9.3B total parameters, 2.7B active per step, 20.7 GB of weights, long-audio chain 10.56, URO-Bench-Pro 54.15, serving profile 1 GPU for text. The footer reads 'Sizes and serving profiles per the inclusionAI repositories; benchmark figures vendor-reported and unaudited.'

一つの結果は人々を驚かせる。両モデルは同じ131,072トークンのウィンドウを宣言しており、同じ音声を扱えると結論づけたくなる。しかしそうではない。コンテキストは限界であり、能力ではない。次節にあるベンダー自身の数値は、小さい方のモデルの理解がウィンドウがいっぱいになるはるか前に、どこで限界を迎えるかを正確に示している。

ベンダー自身の表が示していること

両方のカードにある評価画像はinclusionAIによって作成され、2つのモデルを並べて示している。これらはベンダー公表の数値であり、監査を受けておらず、タスクの選択もベンダーによるものだ。それでも、Artificial Analysisはflashのみを採点しているため、これらは存在する唯一のタスク別比較である。

• 長尺音声チェーンのスコア — flash 12.31、tiny 10.56。

• LongAudioSpan — flash 41.12、tiny 35.45。

• URO-Bench-Pro — flash 81.92、tiny 54.15。

• VoiceBench — flash 86.74、tiny 74.29。

強調すべき点は2つある。第一に順序だ。tiny はそのすべてで負けているので、同等の性能を期待して選ぶべきではない。第二により分かりにくいが、音声推論ベンチマーク(URO-Bench-Pro は 27.8 ポイント低下、VoiceBench は 12.5 低下)における差は、長尺音声のもの(1.75 と 5.67 の低下)よりはるかに大きい。追加のエキスパートと層が何をもたらしたとしても、主にもたらしたのは聞こえた内容に対する推論であり、長い録音に対する生の持久力ではない。

そして、flash 自体の長尺音声の数値は絶対値として弱い — そのベンチマークの尺度が何であれ、チェーンスコアは 12.31 で、同じカード上では Qwen3.8-Omni Flash の 34.54、Gemini 3.8 Flash の 49.63 に対してである。したがって、このペアを正直に読み解くと、「flash は良く、tiny は悪い」ということではない。どちらのチェックポイントも長い録音向けのモデルではなく、tiny は短尺音声ベンチマークが測るあらゆる面でさらに弱いだけだ、ということである。

ハードウェアの線引きはパラメータではなくバイトによって決まる

ここは通常、選択が自ずと決まる場面であり、2つのREADMEは検証済みのプロファイルについて異例なほど具体的に述べています。

• Ming-3.0-audio-flash — 80 GB の H800 にまたがるテンソル並列度 4 の 128K リファレンス サービング プロファイル。長い音声ではそのプロファイルが OOM になる可能性があり、8 GPU のフォールバックが文書化されています。SGLang はテキスト出力について 4 GPU で検証済みです。SGLang-Omni は--thinker.tp_size 2 2 枚のカード上で

• Ming-3.0-audio-tiny — テキストとASR向けにはThinkerを1つのGPUに載せたvLLM-Omni、または音声向けにはThinkerをGPU 0、TalkerをGPU 1に載せた構成。テキスト向けにはSGLangを1つのGPUで検証済み。SGLang-Omniは1枚のカードで次を指定して実行できます: --talker.gpu 0.

これらの行は仕様ではなく、インフラストラクチャの判断として読むべきです。FlashにはマルチGPUノードと、それを占有する理由が必要です。Tinyは1枚のカードで済み、文字起こしや音声質問応答だけを求めているなら、Talkerをまったく含まない1枚のカードで足ります — 音声合成の段階も、2つ目のプロセスも、音声の選択もありません。両者の実用的な違いは、GPUが4倍必要かどうかではなく、デプロイするものがすでに手元にあるマシンに収まるかどうかです。

運用時に表面化する二次的な効果がある。25シャード、259 GB のチェックポイントは、それを提供するすべてのノードに取得し、バージョン管理し、ウォーム状態に保つ必要がある。8 GPU のフォールバックプロファイルでは、同じトラフィックに対して時折2倍のカードを必要とするモデルをキャパシティ計画で許容しなければならない。2シャード、20.7 GB のチェックポイントはコンテナイメージのレイヤーに収まり、数秒で起動し、レプリカを追加してスケールできる。バースト性のある社内ツールでは、その違いが本記事で示すどの品質数値よりも大きな意味を持つ。

A screenshot of the inclusionAI Ming-3.0-audio-tiny model card on Hugging Face, showing the audio-to-audio tag, MIT licence, a reported model size of 9B params and 5,442 downloads in the last month, the headline 'Hear clearly. Understand deeply. Act intelligently.', and a model summary table listing the developer as inclusionAI, the model type as a compact native audio-language mixture-of-experts, and 9.3B total parameters with 2.7B activated per inference step.

これら2つのチェックポイントが構築対象とした2段階パイプライン

これが、このペアが実際に果たしているユースケースであり、どちらのモデルカードにも書かれていないものです。すべてに対してtinyモデルを実行し、生き残ったものにだけflashモデルを実行します。

Ming-3.0-audio-tinyによる安価な初回パスは、「このファイルに音声は含まれているか」「どの言語か」「話者は何人か」「書き起こす価値があるほど音声はクリーンか」に答えることができ、それを1枚のカード上で、そのカードが維持できる速度で実行できます。推論、方言への対応、丁寧な書き起こしが必要なクリップだけが、その後Ming-3.0-audio-flashに送られます。トークナイザー、プロンプト形式、サービングコードが共有されているため、2回目の呼び出しはモデル名だけが異なる同じリクエストです。再エンコードも、プロンプトの書き換えも、保守すべき2つ目の統合もありません。

経済性こそが要点だ。音声の5分の1が難処理なら、フラッシュモデルが扱うのは処理量の5分の1であり、ノードはピークではなくその割合に合わせてサイズ設定できる。ほぼすべての音声が難処理なら、カスケードには何の利点もなく、フラッシュ単体で実行すべきだ——これは、H800sを4台導入する前に、小型モデルによるトリアージを1週間行って学べる有用なことだ。

同じ構造は、音声モデルを囲むテキスト呼び出しの1つ上のレイヤーにも現れます。すなわち、クリップがどの階層に属するかを決める分類器、トランスクリプトからの構造化抽出、そして後から書かれる要約です。これらは通常のチャット補完であり、OrcaRouter はそれらを1つのキーで0%のマークアップにより200以上のモデルへ、自動フェイルオーバー付きでルーティングします。そのため、高価な音声階層を制御する分類器が、パイプラインを停止させるコンポーネントになることはありません。ルーティングDSLこそ、階層判定をコードではなく設定として表現できるようにする部分です。短くクリーンなクリップは一方へ、長いものやアクセントのあるものは別の方向へ送り、プロバイダーが劣化したときはフォールバックモデルにそのギャップを埋めさせます。Ming のチェックポイントはどちらも提供していません。どちらもご自身で実行するダウンロードです。

自分のオーディオでそれを解決する方法

どちらのチェックポイントもMITライセンスで、どちらも同じコードパスに乗り、さらに小規模なケースでは購買部門との相談なしにテストできるほど小さい。そのため、午後いっぱい使って測定するほうが、上記のどの数値よりも多くのことを教えてくれる。

あなた自身のトラフィックから200本のクリップを抽出し、難しい側に重みを置いてください — アクセントのある音声、話者の重なり、背景ノイズ、実際に保有している長い録音などです。両方のモデルを同じプロンプトで実行し、3つの項目を評価してください。正解データがあるクリップでの文字起こし精度、言語ラベルが正しかったかどうか、そして出力が単に誤っているだけでなく使用不能だった頻度です。次にカスケードを実行し、tinyモデルが十分にうまく処理してflashモデルがまったく不要だったクリップが何本あったかを測定してください。

その最後の数値だけがインフラを決める。高く出れば、テール向けに大きなモデルを背後へ置いた1 GPUのデプロイになる。低く出れば、自分のワークロードはflashモデルが想定して作られたワークロードであり、tinyは階層ではなく有用な実験だったと分かる。どちらの答えも安く済む。パラメータ数から推測するのは安く済まない。カード上の13.5×とコンピュート予算の2.4×はまったく異なるハードウェアを指しており、どちらを買っているのかは自分の記録だけが教えてくれるからだ。